第5章时间序列的确定性分析

统计学时间序列分析时间序列是经济学、金融学和其他社会科学领域中的一个重要分析对象。

通过对时间序列数据的分析，我们可以揭示数据之间的关系、趋势和周期性，从而为决策提供有力的支持和预测。

统计学时间序列分析是一种应用数学方法的工具，用于对时间序列数据进行建模和预测。

一、时间序列的基本概念时间序列是按时间顺序排列的一系列观测值的集合。

在时间序列分析中，我们关注数据之间的内在关系，而忽略其他因素的影响。

时间序列数据通常具有以下特征：1. 趋势性：时间序列数据的长期变化趋势。

2. 季节性：时间序列数据在一年内固定时间段内的重复模式。

3. 循环性：时间序列数据中存在的多重周期性波动。

4. 随机性：时间序列数据中的不规则、无法预测的波动。

二、时间序列分析的方法在进行时间序列分析时，我们可以采用以下方法来揭示数据的内在规律：1. 描述性统计分析：通过计算数据的均值、方差、相关系数等指标，对数据的整体特征进行描述。

2. 图表分析：通过绘制折线图、柱状图等图表，展示时间序列数据的变化趋势和周期性。

3. 分解模型：将时间序列数据分解为趋势项、季节性项和残差项，以揭示数据的内在结构。

4. 平滑法：通过移动平均法、指数平滑法等方法，消除时间序列数据的随机波动，从而揭示趋势和季节性成分。

5. 自回归移动平均模型(ARIMA)：ARIMA模型是一种常用的时间序列分析方法，可以对数据进行预测和建模。

它综合考虑了自回归、移动平均和差分的影响因素。

三、时间序列分析的应用领域时间序列分析广泛应用于经济学、金融学、市场调研等领域，具体应用包括：1. 经济预测：通过对经济数据进行时间序列分析，可以预测未来的经济发展趋势，为政府决策提供参考。

2. 股票市场分析：时间序列分析可以帮助分析师预测股票市场的走势，制定投资策略。

3. 需求预测：通过对销售数据进行时间序列分析，可以预测产品的需求量，为企业的生产和供应链管理提供指导。

4. 天气预测：通过对气象数据进行时间序列分析，可以预测未来的天气状况，为农业、旅游等行业提供参考。

《时间序列分析》课程实验报告一、上机练习（P124）1.拟合线性趋势程序：data xiti1;input x@@;t=_n_;cards;;proc gplot data=xiti1;plot x*t;symbol c=red v=star i=join;run;proc autoreg data=xiti1;model x=t;output predicted=xhat out=out;run;proc gplot data=out;plot x*t=1 xhat*t=2/overlay;symbol2c=green v=star i=join;run;运行结果：分析：上图为该序列的时序图，可以看出其具有明显的线性递增趋势，故使用线性模型进行拟合：x t=a+bt+I t,t=1,2,3,…,12分析：上图为拟合模型的参数估计值，其中a=,b=，它们的检验P值均小于，即小于显著性水平，拒绝原假设，故其参数均显著。

从而所拟合模型为：x t=+.分析：上图中绿色的线段为线性趋势拟合线，可以看出其与原数据基本吻合。

2.拟合非线性趋势程序：data xiti2;input x@@;t=_n_;cards;;proc gplot data=xiti2;plot x*t;symbol c=red v=star i=none;run;proc nlin method=gauss;model x=a*b**t;parameters a= b=;=b**t;=a*t*b**(t-1);output predicted=xh out=out;run;proc gplot data=out;plot x*t=1 xh*t=2/overlay;symbol2c=green v=none i=join;run;运行结果：分析：上图为该时间序列的时序图，可以很明显的看出其基本是呈指数函数趋势慢慢递增的，故我们可以选择指数型模型进行非线性拟合：x t=ab t+I t,t=1,2,3,…,12分析：由上图可得该拟合模型为：x t=*+I t分析：图中的红色星号为原序列值，绿色的曲线为拟合后的拟合曲线，可以看出原序列值与拟合值基本上是重合的，故该拟合效果是很好的。

时间序列模型时间序列模型⼀、分类①按所研究的对象的多少分，有⼀元时间序列和多元时间序列。

②按时间的连续性可将时间序列分为离散时间序列和连续时间序列两种。

③按序列的统计特性分，有平稳时间序列和⾮平稳时间序列。

狭义时间序列：如果⼀个时间序列的概率分布与时间t ⽆关。

⼴义时间序列：如果序列的⼀、⼆阶矩存在，⽽且对任意时刻t 满⾜均值为常数和协⽅差为时间间隔τ的函数。

（下⽂主要研究的是⼴义时间序列）。

④按时间序列的分布规律来分，有⾼斯型时间序列和⾮⾼斯型时间序列。

⼆、确定性时间序列分析⽅法概述时间序列预测技术就是通过对预测⽬标⾃⾝时间序列的处理，来研究其变化趋势的。

⼀个时间序列往往是以下⼏类变化形式的叠加或耦合。

①长期趋势变动：它是指时间序列朝着⼀定的⽅向持续上升或下降，或停留在某⼀⽔平上的倾向，它反映了客观事物的主要变化趋势。

通常⽤T t表⽰。

②季节变动：通常⽤S t表⽰。

③循环变动：通常是指周期为⼀年以上，由⾮季节因素引起的涨落起伏波形相似的波动。

通常⽤C t表⽰。

④不规则变动。

通常它分为突然变动和随机变动。

通常⽤R t表⽰。

也称随机⼲扰项。

常见的时间序列模型：⑴加法模型：y t=S t+T t+C t+R t；⑵乘法模型：y t=S t·T t·C t·R t；⑶混合模型：y t=S t·T t+R t；y t=S t+T t·C t·R t；R t2这三个模型中y t表⽰观测⽬标的观测记录，E R t=0,E R t2=σ2如果在预测时间范围以内，⽆突然变动且随机变动的⽅差σ2较⼩，并且有理由认为过去和现在的演变趋势将继续发展到未来时，可⽤⼀些经验⽅法进⾏预测。

三、移动平均法当时间序列的数值由于受周期变动和不规则变动的影响，起伏较⼤，不易显⽰出发展趋势时，可⽤移动平均法，消除这些因素的影响，分析、预测序列的长期趋势。

移动平均法有简单移动平均法，加权移动平均法，趋势移动平均法等。

1.全然概念(1)一般概念：系统中某一变量的瞧测值按时刻顺序〔时刻间隔相同〕排列成一个数值序列，展示研究对象在一定时期内的变动过程，从中寻寻和分析事物的变化特征、开展趋势和规律。

它是系统中某一变量受其它各种因素碍事的总结果。

(2)研究实质：通过处理推测目标本身的时刻序列数据，获得事物随时刻过程的演变特性与规律，进而推测事物的今后开展。

它不研究事物之间相互依存的因果关系。

(3)假设根底：惯性原那么。

即在一定条件下，被推测事物的过往变化趋势会连续到今后。

暗示着历史数据存在着某些信息，利用它们能够解释与推测时刻序列的现在和今后。

近大远小原理〔时刻越近的数据碍事力越大〕和无季节性、无趋势性、线性、常数方差等。

(4)研究意义：许多经济、金融、商业等方面的数据根基上时刻序列数据。

时刻序列的推测和评估技术相对完善，其推测情景相对明确。

尤其关注推测目标可用数据的数量和质量，即时刻序列的长度和推测的频率。

2.变动特点(1)趋势性：某个变量随着时刻进展或自变量变化，呈现一种比立缓慢而长期的持续上升、下落、停留的同性质变动趋向，但变动幅度可能不等。

(2)周期性：某因素由于外部碍事随着自然季节的交替出现顶峰与低谷的规律。

(3)随机性：个不为随机变动，整体呈统计规律。

(4)综合性：实际变化情况一般是几种变动的叠加或组合。

推测时一般设法过滤除往不规那么变动，突出反映趋势性和周期性变动。

3.特征识不熟悉时刻序列所具有的变动特征，以便在系统推测时选择采纳不同的方法。

(1)随机性：均匀分布、无规那么分布，可能符合某统计分布。

(用因变量的散点图和直方图及其包含的正态分布检验随机性，大多数服从正态分布。

)(2)平稳性：样本序列的自相关函数在某一固定水平线四面摆动，即方差和数学期瞧稳定为常数。

样本序列的自相关函数只是时刻间隔的函数，与时刻起点无关。

其具有对称性，能反映平稳序列的周期性变化。

特征识不利用自相关函数ACF：ρk =γk/γ其中γk是y t的k阶自协方差，且ρ0=1、-1<ρk<1。

《时间序列分析》实验指导书一、实验教学简介«时间序列分析»是统计学本科专业的专业必修课，同时也是核心课程，尤其强调理论与实践的有机结合。

实验教学是该课程教学中的重要组成部分。

实验教学的主要内容有：时间序列平稳性检验和纯随机性检验；平稳时间序列的建模；非平稳时间序列的确定性模型的识别；建立ARIMA 模型；残差序列的建模；单位根检验和协整检验。

本课程实验教学主要采用国际权威统计软件—SAS 软件进行统计分析，实验数据来自国内外优秀教材、各类统计年鉴、教师科研课题的部分数据、国内外专业期刊等二、实验教学目的与任务通过本课程的实验教学，要使学生对时间序列的基本概念、基本原理、基本方法有直观的认识，能熟练应用时间序列分析处理动态数据，培养学生利用时间序列分析对社会经济现象及自然现象作定量分析的能力，掌握时间序列分析的统计思想，以此提高学生解决实际问题的基本素质，锻炼学生的动手能力、独立思考能力和团队合作能力。

三、实验内容与基本要求实验一、时间序列平稳性检验和纯随机性检验（验证性实验） （3课时）实验题目：1945-1950年费城月度降雨量数据如下（单位：mm ），见下表。

9.3 80.0 40.9 74.9 84.6 101.1 225.0 95.3 100.6 48.3 144.5 128.338.4 52.3 68.6 37.1 148.6 218.7 131.6 112.8 81.8 31.0 47.5 70.196.8 61.5 55.6 171.7 220.5 119.4 63.2 181.6 73.9 64.8 166.9 48.0137.7 80.5 105.2 89.9 174.8 124.0 86.4 136.9 31.5 35.3 112.3 143.0160.8 97.0 80.5 62.5 158.2 7.6 165.9 106.7 92.2 63.2 26.2 77.052.3 105.4 144.3 49.5 116.1 54.1 148.6 159.3 85.3 67.3 112.8 59.4（1） 计算该序列的样本自相关系数k ∧ρ（k=1,2,……,24）。

时间序列分析案例《时间序列分析》案例案例名称：时间序列分析在经济预测中的应用内容要求：确定性与随机性时间序列之比较设计作者：许启发，王艳明设计时间：20XX年8月案例四：时间序列分析在经济预测中的应用案例简介为了配合《统计学》课程时间序列分析部分的课堂教学，提高学生运用统计分析方法解决实际问题的能力，我们组织了一次案例教学，其内容是：对烟台市的未来经济发展状况作一预测分析，数据取烟台市1949—1998年国内生产总值（GDP）的年度数据，并以此为依据建立预测模型，对1999年和2000年的国内生产总值作出预测并检验其预测效果。

国内生产总值是指一个国家或地区所有常住单位在一定时期内生产活动的最终成果，是反映国民经济活动最重要的经济指标之一，科学地预测该指标，对制定经济发展目标以及与之相配套的方针政策具有重要的理论与实际意义。

在组织实施时，我们首先将数据资料印发给学生，并讲清本案例的教学目的与要求，明确案例所涉及的教学内容；然后给学生一段时间，由学生根据资料，运用不同的方法进行预测分析，并确定具体的讨论日期；在课堂讨论时让学生自由发言，阐述自己的观点；最后，由主持教师作点评发言，取得了良好的教学效果。

经济预测是研究客观经济过程未来一定时期的发展变化趋势，其目的在于通过对客观经济现象历史规律的探讨和现状的研究，求得对未来经济活动的了解，以确定社会经济活动的发展水平，为决策提供依据。

时间序列分析预测法，首先将预测目标的历史数据按照时间的先后顺序排列，然后分析它随时间的变化趋势及自身的统计规律，外推得到预测目标的未来取值。

它与回归分析预测法的最大区别在于：该方法可以根据单个变量的取值对其自身的变动进行预测，无须添加任何的辅助信息。

本案例的最大特色在于：它汇集了统计学原理中的时间序列分析这一章节的所有知识点，通过本案例的教学，可以把不同的时间序列分析方法进行综合的比较，便于学生更好地掌握本章的内容。

案例的目的与要求教学目的通过本案例的教学，使学生认识到时间序列分析方法在实际工作中应用的必要性和可能性；本案例将时间序列分析中的水平指标、速度指标、长期趋势的测定等内容有机的结合在一起，以巩固学生所学的课本知识，深化学生对课本知识的理解；本案例是对烟台市的国内生产总值数据进行预测，通过对实证结果的比较和分析，使学生认识到对同一问题的解决，可以采取不同的方法，根据约束条件，从中选择一种合适的预测方法；通过本案例的教学，让学生掌握EXCEL软件在时间序列分析中的应用，对统计、计量分析软件SPSS或Eviews等有一个初步的了解；通过本案例的教学，有助于提高学生运用所学知识和方法分析解决问题的能力、合作共事的能力和沟通交流的能力。

第五章时间序列的模型识别前面四章我们讨论了时间序列的平稳性问题、可逆性问题，关于线性平稳时间序列模型，引入了自相关系数和偏自相关系数，由此得到ARMA(p, q)统计特性。

从本章开始，我们将运用数据开始进行时间序列的建模工作，其工作流程如下：图5.1 建立时间序列模型流程图在ARMA(p,q)的建模过程中，对于阶数(p,q)的确定，是建模中比较重要的步骤，也是比较困难的。

需要说明的是，模型的识别和估计过程必然会交叉，所以，我们可以先估计一个比我们希望找到的阶数更高的模型，然后决定哪些方面可能被简化。

在这里我们使用估计过程去完成一部分模型识别，但是这样得到的模型识别必然是不精确的，而且在模型识别阶段对于有关问题没有精确的公式可以利用，初步识别可以我们提供有关模型类型的试探性的考虑。

对于线性平稳时间序列模型来说，模型的识别问题就是确定ARMA(p,q)过程的阶数，从而判定模型的具体类别，为我们下一步进行模型的参数估计做准备。

所采用的基本方法主要是依据样本的自相关系数（ACF）和偏自相关系数（PACF）初步判定其阶数，如果利用这种方法无法明确判定模型的类别，就需要借助诸如AIC、BIC 等信息准则。

我们分别给出几种定阶方法，它们分别是（1）利用时间序列的相关特性，这是识别模型的基本理论依据。

如果样本的自相关系数（ACF）在滞后q+1阶时突然截断，即在q处截尾，那么我们可以判定该序列为MA(q)序列。

同样的道理，如果样本的偏自相关系数（PACF）在p处截尾，那么我们可以判定该序列为AR(p)序列。

如果ACF和PACF 都不截尾，只是按指数衰减为零，则应判定该序列为ARMA(p,q)序列，此时阶次尚需作进一步的判断；（2）利用数理统计方法检验高阶模型新增加的参数是否近似为零，根据模型参数的置信区间是否含零来确定模型阶次，检验模型残差的相关特性等；（3）利用信息准则，确定一个与模型阶数有关的准则函数，既考虑模型对原始观测值的接近程度，又考虑模型中所含待定参数的个数，最终选取使该函数达到最小值的阶数，常用的该类准则有AIC 、BIC 、FPE 等。

时间序列分析技巧例题和知识点总结时间序列分析在许多领域都有着广泛的应用，从经济预测到气象研究，从股票走势分析到工业生产监控等。

为了帮助大家更好地理解和掌握时间序列分析的技巧，下面将通过一些具体的例题，并结合相关知识点进行详细的阐述。

一、时间序列的基本概念时间序列是按时间顺序排列的一组数据。

它的特点是数据的产生与时间有关，且前后数据之间可能存在一定的依赖关系。

时间序列通常可以分为平稳序列和非平稳序列。

平稳序列的统计特性（如均值、方差等）不随时间变化；而非平稳序列则反之。

二、常见的时间序列模型1、自回归模型（AR）简单来说，就是当前值由过去若干个值的线性组合加上一个随机误差项决定。

例如，AR(1)模型表示为：＄Y_t ＝＼phi Y_{t-1} ＋＼epsilon_t$ ，其中＄＼phi$ 是自回归系数，＄＼epsilon_t$ 是随机误差。

2、移动平均模型（MA）认为当前值是由当前和过去若干个随机误差的线性组合。

比如，MA(1)模型：＄Y_t ＝＼epsilon_t ＋＼theta ＼epsilon_{t-1}＄，＄＼theta$ 是移动平均系数。

3、自回归移动平均模型（ARMA）结合了自回归和移动平均的特点。

三、时间序列分析的步骤1、数据预处理检查数据的完整性和准确性。

对异常值进行处理，可以采用删除、替换或修正的方法。

2、平稳性检验常用的方法有单位根检验，如 ADF 检验。

如果序列非平稳，需要进行差分处理使其平稳。

3、模型识别与定阶通过观察自相关函数（ACF）和偏自相关函数（PACF）的形状来初步判断模型的类型和阶数。

4、参数估计利用最小二乘法等方法估计模型的参数。

5、模型诊断检查残差是否为白噪声，如果不是，可能需要重新选择模型或调整参数。

6、预测使用确定好的模型进行未来值的预测。

四、例题分析假设我们有一组某商品的月销售量数据，如下：｜时间｜销售量｜｜｜｜｜ 1 月｜ 100 ｜｜ 2 月｜ 120 ｜｜ 3 月｜ 110 ｜｜ 4 月｜ 130 ｜｜ 5 月｜ 125 ｜｜ 6 月｜ 140 ｜｜ 7 月｜ 135 ｜｜ 8 月｜ 150 ｜｜ 9 月｜ 145 ｜｜ 10 月｜ 160 ｜｜ 11 月｜ 155 ｜｜ 12 月｜ 170 ｜首先，我们对数据进行平稳性检验。

38. 非平稳时间序列的确定性分析实际中大多数时间序列是非平稳的，对非平稳时间序列的分析方法主要有两类：确定性分析和随机性分析。

确定性分析——提取非平稳时间序列明显的规律性（长期趋势、季节性变化、周期性），目的是：①克服其它因素影响，单纯测度出单一确定因素对序列的影响；②推断各种确定性因素彼此之间相互作用关系及它们对序列的综合影响。

随机性分析——分析非平稳时间序列由随机因素导致的随机波动性。

（一）趋势分析有的时间序列具有明显的长期趋势，趋势分析就是要找出并利用这种趋势对序列发展做出合理预测。

1. 趋势拟合法即把时间作为自变量，相应的序列观察值作为因变量，建立序列值随时间变化的回归模型。

分为线性拟合和非线性拟合。

2. 平滑法利用修匀技术，消弱短期随机波动对序列的影响，使序列平滑化，从而显示出长期趋势变化的规律。

（1）移动平均、加权移动平均已知序列值x1, …, x t-1, 预测x t的值为12ˆt t t n t x x x x n---+++= 称为n 期移动平均值，n 的选取带有一定的经验性，n 过长或过短，各有利弊，也可以根据均方误差来选取。

一般最新数据更能反映序列变化的趋势。

因此，要突出新数据的作用，可采用加权移动平均法：1122ˆt t n t n tw x x x xn ωωω---+++= 其中，111ni i n ω==∑. （2）二次移动平均对应线性趋势，移动平均拟合值有滞后性，可以采用二次移动平均加以改进：对移动平均值再做一次移动平均。

（3）指数平滑法指数平滑法是一种对过去观察值加权平均的特殊形式，观测值时间越远，其权数呈指数下降。

一次指数平滑法可用于对时间序列进行修匀，以消除随机波动。

预测公式为：1ˆˆ(1)t t t sx s αα-=+- 其中α∈(0, 1)为平滑常数，ˆt s 为第t 期平滑预测值，初始预测值0ˆs（通常取最初几个实测数据的均值）。

一般来说，时间序列有较大的随机波动时，宜选择较大的α值，以便能较快跟上近期的变化；也可以利用预测误差选择。

3. 时间序列分析法对于预测，有定性和定量两类方法，定性的方法主要是作一些趋势性或转折点的判定。

常用的方法有专家座谈会法，德尔菲法等。

常用的定量预测方法有两种，一种是回归分析法，另一种常用方法就是时间序列分析法。

这一章主要介绍有关时间序列分析法的有关内容。

3.1 基本概念所谓时间序列就是一组按照一定的时间间隔排列的一组数据。

这一组数据可以表示各种各样的含义的数值，如对某种产品的需求量、产量，销售额，等。

其时间间隔可以是任意的时间单位，如小时、日、周、月等。

通常，对于这些量的预测，由于很难确定它与其他因变量的关系，或收集因变量的数据非常困难，这时我们就不能采用回归分析方法进行预测，或者说，有时对预测的精度要求不是特别高，这时我们都可以使用时间序列分析方法来进行预测。

当然，时间序列分析法并非只是一种简单的预测分析方法，其实，基本的时间序列分析法确实很简单，但是也有一些非常复杂的时间序列分析方法。

采用时间序列分析进行预测时需要用到一系列的模型，这种模型统称为时间序列模型。

在使用这种时间序列模型时，总是假定某一种数据变化模式或某一种组合模式总是会重复发生的。

因此可以首先识别出这种模式，然后采用外推的方式就可以进行预测了。

采用时间序列模型时，显然其关键在于假定数据的变化模式（样式）是可以根据历史数据识别出来；同时，决策者所采取的行动对这个时间序列的影响是很小的，因此这种方法主要用来对一些环境因素，或不受决策者控制的因素进行预测，如宏观经济情况，就业水平，某些产品的需求量；而对于受人的行为影响较大的事物进行预测则是不合适的，如股票价格，改变产品价格后的产品的需求量等。

这种方法的主要优点是数据很容易得到。

相对说来成本较低。

而且容易被决策者所理解。

计算相对简单。

（当然对于高级时间序列分析法，其计算也是非常复杂的。

）此外，时间序列分析法常常用于中短期预测，因为在相对短的时间内，数据变化的模式不会特别显着。

1．关于在预测中误差的一些常用表示方法：i i i F x e -=其中x i 表示i 时刻的真实值或观察值；F i 表示i 时刻的预测值；e i 表示i 时刻的误差。